【技术实现步骤摘要】
描述文本生成方法、装置、计算机设备及存储介质
[0001]本申请涉及互联网
,特别涉及一种描述文本生成方法、装置、计算机设备及存储介质。
技术介绍
[0002]随着近年来互联网技术的高速发展,电子商务网站也逐渐兴起,越来越多的用户选择在电子商务网站上购买自己所需要的商品。高质量和高可信度的商品描述可以增加用户对商品的了解,提高用户的兴趣,从而提升商品的点击率和销量。
[0003]与线下场景中店家与用户面对面交互不同,线上商店只能依靠商品的描述文本向用户提供商品信息和推荐商品。相关技术中,线上商店的绝大部分商品描述文本都是由人工撰写完成,商品描述文本的生成效率较低。
技术实现思路
[0004]本申请实施例提供了一种描述文本生成方法、装置、计算机设备及存储介质,可以提高描述文本的生成效率,该技术方案如下:
[0005]一方面,提供了一种描述文本生成方法,所述方法包括:
[0006]构建目标对象对应的对象知识图谱,所述对象知识图谱用于表征所述目标对象对应属性实体词和属性特征词之间的关系;
[0007]将所述对象知识图谱输入属性预测模型中,得到所述属性预测模型输出的属性序列,所述属性预测模型用于预测与生成所述目标对象对应对象描述文本相关的对象属性,所述属性序列中包含至少一个所述对象属性;
[0008]将所述对象知识图谱和所述属性序列输入文本生成模型,得到所述文本生成模型输出的所述对象描述文本,所述文本生成模型用于根据所述对象知识图谱生成各个所述对象属性对应的描述语 ...
【技术保护点】
【技术特征摘要】
1.一种描述文本生成方法,其特征在于,所述方法包括:构建目标对象对应的对象知识图谱,所述对象知识图谱用于表征所述目标对象对应属性实体词和属性特征词之间的关系;将所述对象知识图谱输入属性预测模型中,得到所述属性预测模型输出的属性序列,所述属性预测模型用于预测与生成所述目标对象对应对象描述文本相关的对象属性,所述属性序列中包含至少一个所述对象属性;将所述对象知识图谱和所述属性序列输入文本生成模型,得到所述文本生成模型输出的所述对象描述文本,所述文本生成模型用于根据所述对象知识图谱生成各个所述对象属性对应的描述语句,并基于所述描述语句组成所述对象描述文本。2.根据权利要求1所述的方法,其特征在于,所述构建目标对象对应的对象知识图谱,包括:基于所述目标对象对应的对象实体词,构建所述目标对象对应的属性图谱,所述属性图谱用于表征所述对象实体词与所述属性实体词之间的关系;基于所述目标对象对应的历史评论文本,构建所述目标对象对应的热词图谱,所述热词图谱用于表征与所述目标对象相关的不同属性特征词之间的关系;基于所述历史评论文本和历史描述文本,整合所述热词图谱和所述属性图谱,得到所述对象知识图谱。3.根据权利要求2所述的方法,其特征在于,所述基于所述历史评论文本和历史描述文本,整合所述热词图谱和所述属性图谱,得到所述对象知识图谱,包括:基于所述历史评论文本和所述历史描述文本,确定所述属性实体词和所述属性特征词之间的关系;基于所述属性实体词和所述属性特征词之间的关系,整合所述热词图谱和所述属性图谱,得到所述对象知识图谱。4.根据权利要求1至3任一所述的方法,其特征在于,所述属性预测模型中包含属性特征提取网络和属性预测网络;所述将所述对象知识图谱输入属性预测模型中,得到所述属性预测模型输出的属性序列,包括:将所述对象知识图谱输入所述属性特征提取网络,得到所述属性特征提取网络输出的属性特征表示,所述属性特征提取网络用于提取所述对象知识图谱中目标对象的属性特征;获取所述目标对象对应的对象特征表示;将所述属性特征表示和所述对象特征表示输入所述属性预测网络,得到所述属性预测网络输出的所述属性序列,所述属性序列中包含所述目标对象关注的至少一个所述对象属性。5.根据权利要求4所述的方法,其特征在于,所述将所述属性特征表示和所述对象特征表示输入所述属性预测网络,得到所述属性预测网络输出的所述属性序列之前,所述方法包括:获取目标用户对应的用户特征表示;所述将所述属性特征表示和所述对象特征表示输入所述属性预测网络,得到所述属性
预测网络输出的所述属性序列,包括:将所述用户特征表示、所述对象特征表示和所述属性特征表示输入所述属性预测网络中,得到所述属性预测网络输出的所述属性序列,所述属性序列中包含所述目标用户关注所述目标对象的至少一个所述对象属性。6.根据权利要求1至3任一所述的方法,其特征在于,所述文本生成模型包括多跳推理网络和文本生成网络;所述将所述对象知识图谱和所述属性序列输入文本生成模型,得到所述文本生成模型输出的所述对象描述文本,包括:将所述对象知识图谱和所述属性序列输入所述多跳推理网络中,得到所述多跳推理网络输出的至少一个推理节点,所述推理节点指示在所述对象知识图谱中与所述对象属性相关的属性实体词和属性特征词;将所述推理节点和所述属性序列输入所述文本生成网络中,得到所述文本生成网络输出的所述对象描述文本,所述文本生成网络用于基于所述推理节点生成与所述对象属性相关的描述语句。7.根据权利要求6所述的方法,其特征在于,所述将所述对象知识图谱和所述属性序列输入所述多跳推理网络中,得到所述多跳推理网络输出的至少一个推理节点,包括:响应于所述第i对象属性是所述属性序列的第一属性,以所述目标对象对应对象实体词为初始推理节点,基于所述对象知识图谱推理得到所述第i对象属性对应的至少一个所述推理节点,其中,i为大于0的整数;响应于所述第i对象属性不是所述属性序列的第一属性,以第i
‑
1对象属性对应的终止节点为所述初始推理节点,推理得到所述第i对象属性对应的至少一个所述推理节点。8.根据权利要求7所述的方法,其特征在于,所述推理得到所述第i对象属性对应的至少一个所述推理节点,包括:基于所述第i对象属性的第j推理节点,确定所述第j推理节点跳转至至少一个邻居节点的第一多跳转移概率,所述邻居节点是所述对象知识图谱中与所述第j推理节点相连的节点,j为大于0的整数;基于所述第一多跳转移概率,从至少一个所述邻居节点中确定所述第i对象属性对应的第j+1推理节点。9.根据权利要求8所述的方法,其特征在于,所述基于所述第一多跳转移概率,从至少一个所述邻居节点中确定所述第i对象属性对应的第j+1推理节点,包括:确定各个所述邻居节点对应的节点权重,所述节点权重由所述邻居节点在所述历史评论文本中的出现频率确定;基于所述节点权重对所述多跳转移概率进行修正,得到第二多跳转移概率;基于所述第二多跳转移概率,从至少一个所述邻居节点中确定所述第j+1推理节点。10.根据权利要求1至3任一所述的方法,其特征在于,所述构建目标对象对应的对象知识图谱之前,所述方法包括:构建样本对象对应的样本知识图谱;将所述样本知识图谱输入属性预测模型中,得到所述属性预测模型输出的样本属性序列;
基于所述样本属性序列和标注属性序列,训练所述属性预测模型;将所述样本知识图谱和所述样本属性序列输入文本生成模型,得到所述文本生成模型输出的样本对象描述文本;基于所述样本对象描述文本和标注对象描述文本,训练所述文本生成模型。11.根据权利要求10所述的方法,其特征在于,所述基于所述样本属性序列和标注样本属性序列,训练所述属性预测模型,包括:计算所述样本属性序列和所述标注属性序列对应的边缘损失;基于所述边缘损失,训练所述属性预测模型。12.根据权利要求10所述的方法,其特征在于,所述基于所述样本对象描述文本和标注对象描述文本,训练所述文本生成模型,包括:计算所述样本对象描述文本和所述标注对象描述文本对应的交叉熵损失;基于所述交叉熵损失,训练所述文本生成模型。1...
【专利技术属性】
技术研发人员:赵鑫,李军毅,魏志成,怀宝兴,袁晶,
申请(专利权)人:中国人民大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。